Удаление шума изображения в акустической микроскопии с использованием блока

Том 13 научных отчетов, номер статьи: 13212 (2023) Цитировать эту статью

191 Доступ

2 Альтметрика

Подробности о метриках

Сканирующая акустическая микроскопия (SAM) — это метод визуализации без меток, используемый в биомедицинской визуализации, неразрушающем контроле и исследовании материалов для визуализации поверхностных и подповерхностных структур. При ультразвуковой визуализации шумы в изображениях могут снизить контрастность, детализацию краев и текстуры, а также разрешение, что отрицательно влияет на алгоритмы постобработки. Чтобы уменьшить шумы в сканированном изображении, мы использовали фильтр 4D-блочного сопоставления (BM4D), который можно использовать для шумоподавления объемных акустических сигналов. Фильтр BM4D использует метод фильтрации в области преобразования с жестким пороговым значением и этапами фильтрации Винера. Предложенный алгоритм дает наиболее подходящий выходной сигнал с шумоподавлением по сравнению с другими традиционными методами фильтрации (фильтром Гаусса, медианным фильтром и фильтром Винера) при применении к зашумленным изображениям. Результаты изображений, отфильтрованных с помощью BM4D, сравнивались с уровнем шума при использовании различных традиционных фильтров. Отфильтрованные изображения были качественно проанализированы с использованием таких показателей, как матрица индекса структурного сходства (SSIM) и пиковое отношение сигнал/шум (PSNR). Комбинированный качественный и количественный анализ показывает, что метод BM4D является наиболее подходящим методом шумоподавления акустических изображений с SAM. Предложенный блочный фильтр открывает новые возможности в области шумоподавления акустических и фотоакустических изображений, особенно в сценариях с плохим соотношением сигнал/шум.

В материаловедении и биологии сканирующие акустические микроскопы (SAM) успешно используются для получения изображений поверхности и внутренних структур, а также для проведения неразрушающих оценок, не нанося ущерба исследуемому материалу1. Помимо возможности проверять объекты, SAM также способен предоставлять обширную и точную количественную информацию об проверяемых объектах. SAM обладает рядом возможностей, включая неинвазивную микроструктурную характеристику материалов, характеристику механических свойств пьезоэлектрических материалов на их поверхности и под поверхностью, мониторинг структурного состояния (SHM) композитных структур, обнаружение поверхностных дефектов полимера. схемы и изучение распространения анизотропных фононов2,3,4,5,6,7. Технология SAM имеет важное значение на жестко конкурентных и требовательных рынках микроэлектроники и полупроводниковой промышленности. Он играет жизненно важную роль в совершенствовании конструкции пресс-форм для корпусов с перевернутой микросхемой и способен решать сложные задачи, связанные с миниатюрными сборками, такими как корпуса размером с микросхему и стеки 3D-ИС, что делает его важным инструментом в отрасли8, 9.

Разрешение изображений, генерируемых SAM на определенной частоте, зависит от размера пикселя или шагов сканирования в направлениях x и y, а также от размера пятна акустического луча. При ультразвуковой визуализации изображения генерируются путем сбора сигналов, и на качество получаемых изображений может сильно влиять наличие шума. Изображения с шумом могут привести к снижению контрастности, потере деталей краев и текстур, а также снижению разрешения, что может отрицательно повлиять на производительность алгоритма постобработки. Таким образом, шум является критическим фактором, который может способствовать ухудшению качества сигнала при акустической визуализации. Точное определение параметров по полученным изображениям зависит от эффективного шумоподавления изображения.

Наиболее распространенной и нерешенной проблемой ультразвуковой визуализации является наличие шума от нескольких источников, что часто приводит к значительному ухудшению качества изображения. Следовательно, наличие шума становится весьма ограничивающим фактором в чувствительных приложениях, где акустический контраст играет решающую роль. Из-за различных факторов, таких как окружающая среда, электронный шум, кабель передачи и другие, изображения неизбежно подвергаются шуму во время получения, сжатия и передачи, что приводит к искажению и потере информации об изображении. Эти факторы делают изображения уязвимыми к проявлению случайного шума во время сбора данных. Методы шумоподавления можно разделить на две основные категории: методы пространственной области и методы области преобразования. Пространственные фильтры можно разделить на линейные и нелинейные, и они используют низкочастотную фильтрацию значений пикселей изображения, поскольку шум имеет тенденцию занимать более высокие области частотного спектра10. Пространственные фильтры имеют тенденцию в определенной степени уменьшать шум, но они часто приводят к размытию изображения. Напротив, область преобразования предоставляет различные методы обработки сигналов, такие как вейвлет-разложение и эмпирическое модовое разложение (EMD), для решения этой проблемы11. Кроме того, для реконструкции и восстановления сигнала можно использовать такие методы, как анализ главных компонент (PCA) и разложение по сингулярным значениям (SVD)12, 13. Wang et al. использовал гибридный метод, который сочетал разложение волновых пакетов и EMD для шумоподавления сигналов, а затем классифицировал различные неисправности двигателя с использованием машины опорных векторов (SVM)14. В отдельном исследовании Fan et al. представили алгоритм шумоподавления, основанный на анализе главных компонентов (PCA), который был продемонстрирован с использованием смоделированных данных с различными уровнями шума15. Хуан и др. представил метод под названием C-PCASVD, который сочетает в себе анализ главных компонент (PCA) и разложение по сингулярным значениям (SVD) для выявления сингулярных значений помех16. Этот метод обеспечивает оптимальный баланс между затуханием свободной индукции (FID) и эффективностью снижения шума.